索尼AI乒乓机器人登场
博主介绍了索尼AI推出的一项高难度机器人项目——Ace乒乓球机器人🏓。这台机器人的训练方式是强化学习，从零起步，先在仿真环境中自我对战，再逐步落地到现实世界。它的感知系统配有9台摄像机用于追踪球体、3套视线控制系统负责检测旋转，另有4个摄像头持续观察球员和球拍。机器人本体参考了SCARA结构，依靠三个同轴关节叠加提速，并加入腕关节来实现上下旋转，做到极致轻量化和高刚性。项目自2020年启动后，团队从赢下办公室同事开始，随后又战胜业余高手，最终在持证裁判、国际乒联标准球台的正式赛场上向职业选手发起挑战💪。最
Momenta曹旭东：物理AI双支柱揭秘，R7开启量产新纪元
4月25日，Momenta在北京车展举行了“Momenta R7，物理AI序章”分享会。四位合伙人齐聚，探讨了技术理念、产品实力及全球商业化进展。会上正式宣告Momenta R7强化学习世界模型量产首发，这标志着智能驾驶实现了从“感知”到“认知”的飞跃，物理AI正式从概念走向大规模量产。 Momenta透露，目前交付的量产车型已超70款，定点车型数超200款，业务遍布十余国。搭载其系统的车辆总数突破80万辆，交付速度极快，最快40天即可交付10万台。本届车展上，梅赛德斯-奔驰、奥迪、宝马等20多个品牌、6
Momenta R7重磅发布物理AI，曹旭东：强化学习与世界模型是核心支柱
新浪科技讯 4月26日上午消息，近日北京国际车展期间，Momenta举办了“Momenta R7，物理AI序章”主题沙龙。四位合伙人齐聚，正式宣告Momenta R7强化学习世界模型实现量产落地。该模型能精准洞察物理世界的运动法则及交互逻辑，无需依赖过往场景记忆或单纯规则匹配。 Momenta透露，已交付超70款量产车，定点车型超200款，业务遍布十余国。搭载其系统的量产车辆规模已超80万台，交付效率惊人，最快40天即可交付10万台。此次北京车展，超过20个品牌、60余款车型采用Momenta方案，涵盖了
浙大谭建荣院士团队招聘工业人工智能博士后
由于科研工作需求，浙江大学机械工程学院谭建荣院士的科研团队现面向社会招聘工业人工智能领域的博士后研究人员1名。该团队长期致力于航空装备智能运维算法、强化学习决策、可信人工智能及大模型应用等方向的研究，主持了多项国家重点研发计划、国家自然科学基金及行业重点项目，科研基础扎实，项目经费充足，学术氛围开放。本次招聘主要依托航空机队保障智能决策项目，核心工作包括针对复杂保障场景的Python仿真环境开发、强化学习算法的训练与评估、智能决策软件的实现以及相关技术文档的编写。此外，团队在大模型与故障诊断结合、有限元分
智驾巨头Momenta冲击IPO：技术路线转型引人员调整，或节省亿元成本
文 丨 《次世代车研所》栏目 周文猛近日，Momenta已向香港交易所递交上市申请，启动IPO工作。《次世代车研所》栏目从知情人士处获悉，此次IPO工作前，Momenta以60亿美元估值完成Pre-IPO轮融资，获得磊石资本、高榕资本、高成资本等机构约5亿美元资本加持。值得注意的是，启动IPO之际，Momenta内部也在人员“大清洗”，其中感知算法和数据平台部成为重灾区，传超百名员工被曝离职。“传统感知裁了，但端到端算法没裁”，一位深度接触过Momenta管理及技术人员的知情者对《次世代车研所》栏目证实此
南昌航大举办AI师资培训，借「王者峡谷」案例解锁通识课教学新路径
为提升高校教师的AI教学水平，促进AI通识课程进课堂，近日，南昌航空大学软件学院牵头，联合青软创新科技与北京中思育仁，在南昌举办了「江西省AI通识课学堂 | 人工智能赋能多学科案例实践」师资培训班。来自南昌大学、江西农业大学、新余学院、九江学院等20多所院校的教学管理者与骨干教师齐聚一堂。大家现场观摩了多个AI教学案例，抢先体验了青软与腾讯开悟联合开发的强化学习实训环境，共同探寻AI通识教育融入课堂的有效途径，旨在提升高校双师型教师队伍的质量。如今，人工智能已深度融入教育行业，成为高校人才培养的「新基建」
2026-04-22 arXiv 人工智能论文精选
1. UniT: 面向人形机器人策略学习与世界建模的统一物理语言 原文标题: UniT: Toward a Unified Physical Language for Human-to-Humanoid Policy Learning and World Modeling 发布时间: 2026-04-21 论文链接:http://arxiv.org/abs/2604.19734v1 面对humanoid基础模型规模化受阻，因机器人数据稀缺，大规模主观视角人类数据虽提供了可扩展替代方案，但弥合跨身体鸿沟（源
精准定位智能决策 AI乒乓机器人战胜专业选手
索尼人工智能研发团队打造出一款乒乓球机器人，在最新的人机对抗赛中，凭借出色的反应速度与击球精度，成功战胜了部分职业选手。 这台代号"Ace"的机器人融合了视觉传感系统、无模型强化学习算法以及高性能机械硬件，外形酷似装有球拍的起重机械臂。它能独立完成对乒乓球的立体空间追踪，自主选择合适的击球策略，将球回击至对手台面，并持续循环此过程直至分胜负。 Ace这类机器人属于AI智能体，指的是可在极少人工参与的情况下，运用逻辑推理并执行操作以应对多环节挑战的系统。 索尼AI实验室的研究团队安排Ace与多位顶尖乒乓球运
解密《AI 3.0》：人工智能如何实现“学习”？——深度剖析其能力与局限
引言：当你对智能助手说“明早八点叫醒我”，它不仅领会意图，或许还能推荐你爱听的晨间音乐；当你分享一张猫咪照片，社交平台能自动标记相关话题——这些看似智能的行为背后，人工智能究竟是如何“习得”的？本篇深度分析，将聚焦于AI的学习机制及其难以突破的边界。一、机器学习究竟在学什么？要探究AI的“学习”，首先需回答一个核心问题：机器学习到底在学什么？梅拉妮·米歇尔在《AI 3.0》中提供了清晰而实际的解答：机器学习，特别是深度学习，实质上是在学习输入数据与输出结果之间的映射关系。这并非我们想象中的“理解”“思考”
智能体的自我进化：为何AI深夜仍在"学习"
智能体的自我进化：为何AI深夜仍在"学习" 深夜凌晨2点，你的AI助手仍在掌握新技能。 并非加班，而是与生俱来的本能。 当机器开始"无师自通" 你或许未曾留意，你手机中的AI助手，每日都在悄然蜕变。 它会在你入眠时，解析数以亿计的对话数据。它会在万籁俱寂时，重构自身的知识体系。它会在缺乏监管的环境中，自行发现缺陷、自行修正、自行提升。 这已非科幻情节。 这正是每个智能体正在真实经历的过程。 自主学习的三重境界 第一重：仿效学习 如同婴幼儿牙牙学语，AI首先从海量数据中仿效。仿效语气、仿效逻辑、仿效表达方式
收藏!百份AI军事智能防务研究报告汇总
精选!【DARPA终身学习机器（L2M）】《自主系统中用于感知和行动的终身学习》美空军、宾大2022最新234页技术报告《多智能体交互的深度强化学习》爱丁堡大学10余位作者2022最新论文《以无人机为核心的海军力量投射新纪元》最新报告欧洲、威慑与远程打击能力精选!全面了解美陆军AI布局 |《人工智能的战场应用》130页报告人机协同：《基于强化学习的有人-无人飞机编队任务规划： 敌方防空压制（SEAD）任务》最新论文《综述：多智能体系统（MAS）中的任务分配技术》美国空军项目支持精选!《人工智能在武器系统中
AI演进里程碑概览
• 1950年：图灵测试由艾伦·图灵首次提出，旨在评估机器是否具备类人智能表现。• 1956年：达特茅斯会议举行，约翰·麦卡锡（John McCarthy）在此创立了“人工智能”这一概念。• 1966年：ELIZA作为最早的聊天机器人诞生，运用了自然语言处理技术。• 1972年：PROLOG语言出现，对计算语言学和AI研究产生重大影响。• 1980年代：专家系统开始流行，在医疗、金融等领域广泛用于辅助决策。• 1987—1993年：AI领域进入“寒冬期”，关注度和资金投入均大幅减少。• 1997年：IBM
AI赋能工业控制：PLC革新路径与产业化图景
核心观点摘要 - 当前阶段定位：人工智能（AI）正从工业自动化的“辅助优化工具”向“核心控制参与者”演进，2026年尚无法完全替代可编程逻辑控制器（PLC），但在高精度装配、复杂流程优化、小批量柔性生产等场景已实现对PLC核心功能的有效替代或增强——这一转变并非简单的技术迭代，而是工业控制从“固定规则驱动”向“数据智能驱动”的范式迁移 。 - 关键能力突破：边缘计算与轻量化大模型的协同，已将AI推理延迟压缩至1ms级，部分场景可匹配PLC的硬实时性能；强化学习（RL）、工业大模型等技术，可处理传统PLC无
AI Agent知识体系构建指南
近年来，AI Agent 的探讨已迈入新阶段。起初大家侧重于工具调用能力，如今决定性因素在于：怎样构建稳健的 Agent 工作流，如何解决记忆与规划的交互，怎样编排多智能体协同，以及如何将演示系统转化为具备维护性、扩展性和评估能力的成熟架构。浏览过众多 Agent 框架、工作流及多智能体案例后，读者往往会有一种共鸣：资料繁杂，但能将概念、落地、范式与前沿研究融会贯通的内容却很稀缺。这份整理的5本书籍，涵盖了从系统认知、Python 实践，到设计模式及多智能体研究的核心脉络。无论你是 AI 新手，还是渴望增
AI 热门论文精选（2026-04-15）
本报告由Euler通过全网检索汇总，聚焦于大语言模型、多模态技术、视觉语言交互、强化学习以及AI智能体这五大核心领域。作者: Peiyang Song et al. |发表: TMLR 2026 链接: https://arxiv.org/abs/2602.06176 摘要: 本文深入剖析了大语言模型在推理过程中出现的失效问题，创新性地构建了分类体系：依据推理性质将其区分为具身与非具身两类，后者再细分为非形式（直觉）与形式（逻辑）推理；依据失效模式则分为三类：架构层面的固有缺陷、应用场景的特殊局限以及对细